Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations

“从示范中学习”是一个提议从数据中学习机器人行为模型的领域，随着深度生成模型的出现，这一领域变得越来越受欢迎。虽然这个问题已经被研究多年，有很多不同的名称，如模仿学习、行为克隆或逆强化学习，但是传统的方法依赖于不能很好地捕捉复杂数据分布的模型或不能很好地扩展到大量示范的模型。近年来，机器人学习社区对使用深度生成模型来捕捉大型数据集的复杂性表现出越来越大的兴趣。在本次调查中，我们旨在提供对机器人学习中深度生成模型的最新进展的统一和全面的回顾。我们介绍了社区探索的不同类型的模型，如基于能量的模型、扩散模型、动作值映射或生成对抗网络。我们还介绍了深度生成模型已经被用于的不同类型的应用，从抓取生成到轨迹生成或成本学习。生成模型最重要的元素之一是超出分布的泛化。在我们的调查中，我们回顾了社区为提高学习模型的泛化能力所做的不同决策。最后，我们强调了研究挑战，并提出了一些未来在机器人学习中学习深度生成模型的方向。

使用深度生成模型在机器人领域中学习行为模型的研究进展

使用深度生成模型来捕捉大量数据的复杂性，提高学习模型的泛化能力

论文综述了机器人领域中使用深度生成模型学习行为模型的最新进展，包括不同类型的模型和应用，以及如何提高模型泛化能力等。实验使用了多个数据集，部分研究有开源代码。未来的研究方向包括解决数据不平衡问题和提高学习效率等。

与本文相关的研究包括：Imitation Learning, Behavioral Cloning, Inverse Reinforcement Learning等经典方法，以及基于深度生成模型的能量模型、扩散模型、生成对抗网络等模型。